Schulungsübersicht
Einführung in Reinforcement Learning und agentische KI
- Entscheidungsfindung unter Unsicherheit und sequenzielle Planung
- Komponenten des RL: Agenten, Umgebungen, Zustände und Belohnungen
- Rolle des RL in adaptiven und agentischen KI-Systemen
Markov-Entscheidungsprozesse (MDPs)
- Formale Definition und Eigenschaften von MDPs
- Wertfunktionen, Bellman-Gleichungen und dynamische Programmierung
- Policy-Evaluation, Verbesserung und Iteration
Model-Free Reinforcement Learning
- Monte-Carlo- und Temporal-Difference (TD)-Lernen
- Q-Learning und SARSA
- Praxis: Implementierung von tabellarischen RL-Methoden in Python
Deep Reinforcement Learning
- Kombination von neuronalen Netzen mit RL für Funktionsapproximation
- Deep Q-Networks (DQN) und Experience Replay
- Actor-Critic-Architekturen und Policy-Gradients
- Praxis: Training eines Agenten mit DQN und PPO unter Verwendung von Stable-Baselines3
Explorationsstrategien und Reward Shaping
- Balance zwischen Exploration und Exploitation (ε-greedy, UCB, Entropiemethoden)
- Gestaltung von Belohnungsfunktionen und Vermeidung unbeabsichtigter Verhaltensweisen
- Reward Shaping und Curriculum Learning
Fortgeschrittene Themen in RL und Entscheidungsfindung
- Multi-Agent-Reinforcement Learning und kooperative Strategien
- Hierarchisches Reinforcement Learning und Options-Framework
- Offline-RL und Imitation Learning für sicherere Implementierung
Simulationsumgebungen und Evaluation
- Verwendung von OpenAI Gym und benutzerdefinierten Umgebungen
- Kontinuierlicher vs. diskreter Aktionsraum
- Metriken für Agentenleistung, Stabilität und Sample-Effizienz
Integration von RL in agentische KI-Systeme
- Kombination von Reasoning und RL in hybriden Agentenarchitekturen
- Integration von Reinforcement Learning in Agenten mit Werkzeugnutzung
- Operative Überlegungen für Skalierung und Implementierung
Capstone-Projekt
- Gestaltung und Implementierung eines Reinforcement-Learning-Agenten für eine simulierte Aufgabe
- Analyse der Trainingsleistung und Optimierung von Hyperparametern
- Demonstration adaptiven Verhaltens und Entscheidungsfindung im agentischen Kontext
Zusammenfassung und nächste Schritte
Voraussetzungen
- Gute Kenntnisse in der Python-Programmierung
- Fundierte Kenntnisse in Machine Learning und Deep Learning
- Vertrautheit mit Linearer Algebra, Wahrscheinlichkeitsrechnung und grundlegenden Optimierungsmethoden
Zielgruppe
- Reinforcement-Learning-Ingenieure und anwendungsorientierte KI-Forscher
- Entwickler in Robotik und Automatisierung
- Ingenieurteams, die an adaptiven und agentischen KI-Systemen arbeiten
Erfahrungsberichte (3)
Starke Bestätigung dafür, dass aktuelle LLMs im richtigen Setup für Kundenprojekte einsetzbar sind.
Oliver Fromm
Kurs - Agentic AI for Enterprise Applications
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
